[发明专利]一种显著边缘特征提取模块引导网络的肠道疾病分割方法

权利要求书

1.一种显著边缘特征提取模块引导网络的肠道疾病分割方法，其特征在于，包括以下步骤：

步骤1：输入数据集X＝{x₁,x₂,...,x_n}，其中，X表示数据集中输入的样本，x_n∈R^352×352，n表示样本数量，骨干网络Res2net提取特征，得到Conv1、Conv2、Conv3、Conv4、Conv5五个输出特征；

步骤2：由于结直肠息肉数据集中息肉的尺度大小，形状变化差异大，采用了不同核大小的GCN模块进行多尺度上下文信息的提取，再利用边界细化模块进一步提高物体边界的划分性能；利用该模块对骨干网络提取到的特征进行信息提取，得到五个侧边输出特征，简单表示为：

C＝{C⁽¹⁾,C⁽²⁾,C⁽³⁾,C⁽⁴⁾,C⁽⁵⁾} (1)

步骤3：显著边缘特征提取模块的生成，过程如下：

3.1低层信息中包含丰富的边缘信息，可以为目标分割提供精确的定位。由于C⁽¹⁾离输入图像太近且接受域较小不适用于生成边缘特征，而C⁽³⁾,C⁽⁴⁾,C⁽⁵⁾等高层信息包含丰富的语义信息，最后选择了C⁽²⁾来生成边缘信息，为了获得更加稳健的显著目标特征，将C⁽²⁾经过三个卷积层，且在每个卷积层后面增加了一个RELU层来确保非线性；

3.2低层信息中包含了丰富的边缘信息同时也包含了很多噪声，为了抑制低层信息中的噪声，本发明利用级联部分解码器CPD模块将C⁽³⁾,C⁽⁴⁾,C⁽⁵⁾三个高层信息进行融合得到融合后的特征信息C⁽⁶⁾，C⁽⁶⁾中包含了三层丰富的语义信息，将融合后的信息C⁽⁶⁾通过自上而下的方法传播到侧边特征C⁽²⁾中，利用融合后的顶层语义信息来抑制不明显的边缘特征和边缘信息中的噪声，融合特征F(2)表示为：

式(2)中表示经过三个卷积层后的C(6)，C(2)表示C⁽²⁾得到的特征信息，Trans(*；θ)表示参数为θ的卷积层，用于改变通道数，φ()表示RELU激活函数，Up(*；C(2))表示使用双线性插值的上采样方法，将尺寸上采样至与C(2)同样大小，F(2)表示边缘引导特征；

步骤4：将F(2)经过三个卷积层来增强边缘引导特征，得到最终的边缘信息F_E，使用mask图得到的边缘图对生成的显著边缘特征进行显著边缘监督，获得显著边缘特征提取模块；

步骤5：将得到的显著边缘信息与每层的特征信息共同作为PraNet网络中RAS模块的输入，利用mask对RAS模块每一层的输出进行深度监督，得到最终的模型，使用肠道中的息肉图像作为输入对设计的模型进行训练得到参数，再用训练的参数，输入测试集图像用来预测最终的分割结果。